数字图像处理—空间域锐化和频域增强

1 实验任务及目的

1. 掌握图像空间域锐化常用方法；
2. 掌握图像二维傅里叶变换及反变换；
3. 掌握图像的频域滤波方法；
4. 完成实验中代码分析，实验结果分析，及要求的代码编程，总结归纳其中涉及的数字图像处理相关原理，基于上述要求完成实验报告，实验报告中需附上实验结果图。

2 数据来源及编程环境

1.数据来源：1.jpg、2.jpg、3.jpg、4.jpg 、code文件中的函数文件

2.编程环境：MATLAB 2016a

3 实验内容

1. 图像锐化：运行已给程序对月球影像进行图像锐化：
   （1）分析对比不同锐化方法边缘提取效果；
   （2）观察滤波后图像取值范围，分析对比不同锐化方法滤波效果；
   （3）观察锐化后图像取值范围，前二种滤波方法锐化时，直接相加会出现什么问题，并分析对比不同锐化方法图像锐化效果；
   （4）分析拉普拉斯图像锐化中，为什么进行数据类型转换以及归一化等操作，拉普拉斯算子两种实现方式有什么区别。
2. 图像的傅里叶变换及其反变换：对所给图片，运行已给代码，对关键步骤代码加注释解释其作用；分析结果，并解释为什么要进行频谱中心化。
3. 频域滤波原理：对所给图片，运行已给代码，观察实验结果，分析图像不填充和填充后滤波结果的区别。
4. 高斯低通滤波及高通滤波：运行所给程序，观察分析实验结果；修改D0=0.01，0.03，0.09，观察分析低通及高通滤波结果的变化。

4 实验成果与分析

4.1 图像锐化

锐化是通过增强高频分量来减少图像中的模糊,但在增强图像边缘的同时也会增加噪声。锐化滤波器基于一阶导数及二阶导数，突出显示图像的边界和其他细节。

（1）不同锐化方法边缘提取效果分析

原理及特点：

1）Roberts算子

锐化边缘的同时减少噪声影响，但由于没有经过图像平滑处理，去噪效果欠佳；该算子定位精度高，适合处理具有陡峭的低噪声图像。

Roberts算子对应模板为：

-1001    0-110

2）Prewitt算子

从加大边缘增强算子的模板出发，在边缘处达到极值检测边缘，去掉部分伪边缘，可平滑噪声，对应模板为：

3）Sobel算子

该算子中引入了类似局部平均的运算，对噪声有平滑作用；相比于Prewitt算子，Sobel算子对像素位置的影响进行加权（对4-邻域采用带权的方法计算差分），可降低边缘模糊程度，对应模板为：

4）Log算子（高斯-拉普拉斯算子）

Log算子由拉普拉斯算子改进而来：由于拉普拉斯算子对噪声具有无法接受的敏感性，在实际应用中，一般先对图像进行高斯平滑，再用拉普拉斯算子对图像进行边缘检测，其基本原理为：高斯一阶导基于边缘区域高斯一阶导数取得极值的特点检测图像边缘，而对一阶导数继续求导得到二阶导数，即可以通过寻找二阶导数的0点（或是接近于0的点）寻找梯度（即图像边缘），因此梯度表达式为高斯函数和原图像卷积，再进行二阶微分算子。

Log算子可用于斑点检测（log取极值的点即为要找的斑点）。

运行结果及分析：

图4-1为通过四种算子对图像进行边缘提取的结果，其中，log算子提取的边缘具有丰富的纹理细节信息，该月球影像中月球的环形山相当于被log算子检测的斑点，因此，通过log算子能够提取更丰富的环形山信息，在提取后的图像中表现为极其丰富的细节；利用Roberts算子提取的边缘信息略少于Prewitt算子和Sobel算子；而对于此图来说，使用Prewitt算子和Sobel算子进行边缘提取的结果无明显差别。

图4-1不同锐化方法的边缘提取对比

（2）不同锐化方法滤波效果分析

运行结果及分析：图4-2为五种方法的滤波结果及原始图像的对比。

从视觉效果来看，使用Sobel算子生成的滤波器进行滤波得到的图像对比度要高于使用Prewitt算子滤波得到图像的对比度，可视性更好；而laplacian-8 要比laplacian-4纹理更清晰；log的滤波结果保留细节更好，后三种方法亮暗对比不明显。

从滤波后图像取值范围看，使用Prewitt算子和Sobel算子生成的滤波器对图像滤波后，图像取值范围均在0-255（原始图像在0-254），图像像素亮度分布不均衡，对比度不足；而后三种方法处理后的图像范围均为经过归一化后的范围，使用laplacian-4滤波后的图像取值范围在[-0.4157,0.3255]，使用laplacian-8滤波后的图像取值范围在[-1.1098,0.9843], 使用log算子滤波后的图像取值范围在[-0.7355,0.6351]。

图4-2 不同锐化方法的滤波效果对比

（3）图像锐化取值、相加、效果分析

锐化后图像取值范围：Prewitt、Sobel、laplacian-4、laplacian-8锐化后图像取值范围均为0-255，而log锐化后图像取值范围为33-227。

不同方法的锐化效果对比：由图4-3，log的锐化效果最好：边缘突出、细节丰富，图像模糊程度小，不存在过亮或过暗现象，视觉效果好；Prewitt和Sobel锐化效果无明显差别，但由于其锐化时直接与提取的边缘相加，存在部分边缘过亮导致视觉效果下降的问题，但两者相比，Sobel的模糊程度要低于Prewitt；而laplacian-4 、laplacian-8以及log锐化结果均不存在边缘信息过亮的问题，且都具有较好的边缘增强效果和丰富的纹理信息，其中，laplacian-4的结果模糊程度略高于其他两种方法，laplacian-8的结果对比度略低，综合分析，log的锐化效果最好。

图4-3 不同锐化结果对比

（4）拉普拉斯图像锐化分析

进行数据类型转换及归一化操作的原因：方便处理数据、保证正常程序运行、加快收敛速度，具体原因如下：1）MATLAB里图像数据有数必须是浮点型才能处理，而图像数据本身是0-255的unit8型数据，因此需要进行数据类型转换，然后再归一化到0-1之间；2）避免图像对比度不足（图像亮度分布不均衡）对后续处理带来干扰；3）浮点型图像数据经处理后包含[0,255]之外的数值，若直接转换为unit8类型，则所有小于0的值均被转换为0，所有大于255的值被转换成255，在[0,255]之间的值全部社区小数部分转换为整数，因此需要对其进行适当缩放；4）防止跨度过大，抹掉边缘像素。

拉普拉斯算子两种实现方式的区别：滤波器模板中心元素不同，如图4-4：

左边为laplacian-4，右边为laplacian-8，laplacian-8的结果比laplacian-4的结果更尖锐、边缘更突出。

      

图4-4 laplacian-4和laplacian-8模板

4.2 图像傅里叶变换及反变换分析

代码注释如下：

图4-5 带注释的代码截图

运行结果分析：

由图4-6，对原始图像进行傅里叶变换后，视觉效果差，进行频谱中心化后低频成分位于中心（可以看到第一行第三幅图中间的小白斑），对其取对数，缩小动态变化范围，显示频谱（第二行第一幅图）。

图4-6 傅里叶变换及反变换结果对比

进行频谱中心化的原因：对原图像进行傅立叶变换结果的原点在窗口的左上角，即变换后的直流分量位于左上角，低频成分分布在窗口的四角，而大部分图片的有效信息集中在低频部分，图片的高频部分主要是边缘等细节，因此，为了便于分析，通常采用平移技术将变换后的坐标原点移到窗口中心（即：将直流成分平移到窗口中心）。频谱中心化后，低频成分围绕坐标中心，高频成分向外。

4.3 频域滤波分析

原理：对输入图像进行预处理后进行傅里叶变换，通过滤波函数在频域对图像进行相乘操作，再对图像进行傅里叶逆变换，通过后处理输出滤波后的图像。

运行结果分析：由图4-7：使用填充的频域低通滤波处理的图像扩大了4倍，且多出的部分均为高频成分（黑色）。

图4-7 图像填充前后滤波结果对比

4.4 高斯低通滤波及高通滤波

（1）原理

1）低通滤波：允许低频信息通过，滤掉高频信息，滤波后图像模糊程度加大，即：靠近频谱图中心的低频部分给保留，远离频谱图中心的高频部分被滤掉，图像的清晰度降低。

2）高通滤波：允许高于某一阈值的频率信息通过，过滤掉低于这一阈值的频率信息，从而大大衰减低频信息的一种滤波器。在图像处理中，过滤频率信息采用的是傅里叶变换，把图像从空域转为频域进行处理。

（2）实验结果分析

由图4-8可知，图像经低通滤波处理后变得模糊，经高通滤波处理后，边缘信息被提取，相当于对图像进行频域锐化。

图4-8 实验结果图

修改D0后低通、高通滤波结果变化分析:

图4-9、图4-10、图4-11分别为D0=0.01，0.03，0.09时的高斯低通滤波频谱图像及经高斯低通、高通滤波处理后的图像，观察对比可发现，随D0值增大，经过低通滤波处理的图像愈来愈清晰（模糊度变小），经高通滤波处理的图像边缘越来越突出（锐化程度变高）；且低通滤波器频谱图像中的高频成分越来越的，低频成分越来越少（中间的黑斑越来越大）。

图4-9 D0=0.01时滤波结果

图4-10 D0=0.03时滤波结果

图4-11 D0=0.09时滤波结果

 代码详见：

图像空间域锐化和频域增强matlab代码及实验分析资源-CSDN文库https://download.csdn.net/download/m0_58307078/88665971?spm=1001.2014.3001.5503